Hinge
类keras.losses.Hinge(reduction="sum_over_batch_size", name="hinge", dtype=None)
计算 `y_true` 和 `y_pred` 之间的 Hinge 损失。
公式
loss = maximum(1 - y_true * y_pred, 0)
y_true
值应为 -1 或 1。如果提供二元(0 或 1)标签,我们将将其转换为 -1 或 1。
参数
SquaredHinge
类keras.losses.SquaredHinge(
reduction="sum_over_batch_size", name="squared_hinge", dtype=None
)
计算 `y_true` 和 `y_pred` 之间的平方 Hinge 损失。
公式
loss = square(maximum(1 - y_true * y_pred, 0))
y_true
值应为 -1 或 1。如果提供二元(0 或 1)标签,我们将将其转换为 -1 或 1。
参数
CategoricalHinge
类keras.losses.CategoricalHinge(
reduction="sum_over_batch_size", name="categorical_hinge", dtype=None
)
计算 `y_true` 和 `y_pred` 之间的分类 Hinge 损失。
公式
loss = maximum(neg - pos + 1, 0)
其中 `neg=maximum((1-y_true)*y_pred)` 且 `pos=sum(y_true*y_pred)`
参数
hinge
函数keras.losses.hinge(y_true, y_pred)
计算 `y_true` 和 `y_pred` 之间的 Hinge 损失。
公式
loss = mean(maximum(1 - y_true * y_pred, 0), axis=-1)
参数
y_true
值应为 -1 或 1。如果提供了二元(0 或 1)标签,它们将转换为 -1 或 1,形状为 [batch_size, d0, .. dN]
。[batch_size, d0, .. dN]
。返回
Hinge 损失值,形状为 [batch_size, d0, .. dN-1]
。
示例
>>> y_true = np.random.choice([-1, 1], size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.hinge(y_true, y_pred)
squared_hinge
函数keras.losses.squared_hinge(y_true, y_pred)
计算 `y_true` 和 `y_pred` 之间的平方 Hinge 损失。
公式
loss = mean(square(maximum(1 - y_true * y_pred, 0)), axis=-1)
参数
y_true
值应为 -1 或 1。如果提供了二元(0 或 1)标签,我们将它们转换为 -1 或 1,形状为 [batch_size, d0, .. dN]
。[batch_size, d0, .. dN]
。返回
平方 Hinge 损失值,形状为 [batch_size, d0, .. dN-1]
。
示例
>>> y_true = np.random.choice([-1, 1], size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.squared_hinge(y_true, y_pred)
categorical_hinge
函数keras.losses.categorical_hinge(y_true, y_pred)
计算 `y_true` 和 `y_pred` 之间的分类 Hinge 损失。
公式
loss = maximum(neg - pos + 1, 0)
其中 `neg=maximum((1-y_true)*y_pred)` 且 `pos=sum(y_true*y_pred)`
参数
y_true
值应为 {-1, +1}
或 {0, 1}
(即独热编码张量),形状为 [batch_size, d0, .. dN]
。[batch_size, d0, .. dN]
。返回
分类 Hinge 损失值,形状为 [batch_size, d0, .. dN-1]
。
示例
>>> y_true = np.random.randint(0, 3, size=(2,))
>>> y_true = np.eye(np.max(y_true) + 1)[y_true]
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.categorical_hinge(y_true, y_pred)